基于多通道Transformer的交通量预测方法

摘要：

目前,我国高速公路拥堵程度居高不下,而交通流预测作为实现智能交通系统的重要一环,若能对其实现高精度的预测,那么将能够高效地管理交通,从而缓解拥堵.针对该问题,提出了一种考虑时空关联的多通道交通流预测方法(MCST-Transformer).首先,将Transformer结构用于不同数据的内在规律提取,然后引入空间关联模块对不同数据间的关联特征进行挖掘,最后,借助通道注意力整合优化全局信息.采用广东省高速公路数据,实现了两小时内92个收费站的高精度流量预测.结果表明:MCST-Transformer优于传统机器学习方法以及部分基于注意力机制的时间序列模型,在120 min预测跨度下,相比贝叶斯回归,MAPE降低了 5.1％;对比Seq2Seq-Att以及Seq2Seq这些深度学习算法,所提方法的总体MAPE也能降低0.5％,说明通过多通道的方式能够区分不同数据的特性,进而更好地预测.

关键词：交通流预测、多通道、Transformer、注意力机制、高速公路

所属期刊栏目：40

分类号：TP399(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;广东自然科学基金资助项目;华南理工大学中央高校基本科研业务费

在线出版日期：2023-03-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：435-439